Cognitive Performance Index (CPI)

Internal Benchmarking Model for Human–AI Hybrid Research Units (Maitreya / NeuroYoga 3.0)

---

1) Propósito y alcance

El CPI mide la capacidad operativa cognitiva de un investigador o equipo en un contexto de investigación (no “IQ”, no rasgos de personalidad). Evalúa:

• claridad atencional
• estabilidad ejecutiva
• calidad inferencial
• control de sesgos
• eficiencia de ciclo científico
• integración humano–IA

Se usa para:

• comparar sesiones vs sesiones,
• detectar fatiga y degradación,
• optimizar protocolos,
• mejorar productividad científica sin sacrificar rigor.

---

2) Principios de diseño (no negociables)

1. Medible con instrumentos estándar (tests cognitivos + métricas de proceso + opcional biomarcadores).
2. Resistente a “gaming” (no se optimiza solo una métrica).
3. Normalizable por individuo y por dominio (evita penalizar estilos cognitivos).
4. Auditable (logs + trazabilidad).
5. Seguro (incluye banderas de riesgo).

---

3) Arquitectura del CPI

El CPI total (0–100) es una combinación ponderada de 6 subíndices:$$CPI = 0.20A + 0.15E + 0.20I + 0.15B + 0.15S + 0.15H$$CPI=0.20A+0.15E+0.20I+0.15B+0.15S+0.15H

Donde:

• $A$A = Attention & Stability Index
• $E$E = Executive Control Index
• $I$I = Inference Quality Index
• $B$B = Bias Control Index
• $S$S = Scientific Cycle Efficiency Index
• $H$H = Human–AI Synergy Index

Pesos ajustables por unidad (R&D, clínica, modelado), pero se recomienda mantenerlos estables 90 días para comparabilidad.

---

4) Subíndices: definición, medición y cálculo

4.1 $A$A Attention & Stability (0–100)

Mide foco sostenido, estabilidad y resistencia a distracción.

Inputs recomendados

• Sustained Attention task (SART o CPT)
• Error rate + reaction time variability
• (Opcional) HRV durante sesión (fatiga/ruido)

Score$$A = 100 – (w_1 \cdot Err + w_2 \cdot RTVar + w_3 \cdot Lapses)$$A=100−(w1​⋅Err+w2​⋅RTVar+w3​⋅Lapses)

Normalizar cada variable por percentil interno o z-score individual.

---

4.2 $E$E Executive Control (0–100)

Mide inhibición, switching y control de impulsos inferenciales.

Inputs

• Stroop / Flanker
• Task-switching cost
• Working memory (n-back o digit span)

Score$$E = 100 – (w_1\cdot StroopCost + w_2\cdot SwitchCost) + (w_3\cdot WMScore)$$E=100−(w1​⋅StroopCost+w2​⋅SwitchCost)+(w3​⋅WMScore)

---

4.3 $I$I Inference Quality (0–100) (núcleo del modelo)

Mide la calidad del razonamiento científico producido.

Inputs auditables

• Hypothesis discrimination score (interno): % de hipótesis descartadas por inconsistencia real vs descartes arbitrarios
• Predictive accuracy: desempeño del modelo en holdout / cross-validation
• Complexity penalty: AIC/BIC/MDL o regularización (evitar overfitting)
• Replication readiness: porcentaje de pasos reproducibles y documentados

Score (formal)$$I = 100 \cdot \sigma\Big(\alpha \cdot Acc – \beta \cdot Overfit – \gamma \cdot Underdoc\Big)$$I=100⋅σ(α⋅Acc−β⋅Overfit−γ⋅Underdoc)

donde $\sigma$σ es una sigmoide para mantener 0–100 y evitar que una métrica extrema domine.

---

4.4 $B$B Bias Control (0–100)

Mide reducción de sesgos cognitivos en el pipeline.

Inputs

• Pre-commitment compliance: % de hipótesis preregistradas antes de ver resultados finales
• Post-hoc correction rate: número de “reinterpretaciones” luego del resultado
• Confirmation bias check: evaluación por pares (quick rubric)
• Diversity of alternatives: número de modelos alternativos evaluados

Score$$B = 100 – (w_1\cdot PostHoc + w_2\cdot ConfirmRisk) + (w_3\cdot PreCommit + w_4\cdot AltModels)$$B=100−(w1​⋅PostHoc+w2​⋅ConfirmRisk)+(w3​⋅PreCommit+w4​⋅AltModels)

---

4.5 $S$S Scientific Cycle Efficiency (0–100)

Mide la eficiencia de investigación sin sacrificar rigor.

Inputs

• Cycle time: tiempo desde pregunta → hipótesis → modelo → test
• Compute utilization: % de runs útiles vs runs redundantes
• Rework ratio: % de trabajo rehecho por mala definición inicial
• Decision latency: tiempo para decidir “seguir / abortar” hipótesis

Score$$S = 100 – (w_1\cdot CycleTime + w_2\cdot Rework + w_3\cdot Redundancy)$$S=100−(w1​⋅CycleTime+w2​⋅Rework+w3​⋅Redundancy)

---

4.6 $H$H Human–AI Synergy (0–100)

Mide si la IA realmente amplifica al humano sin dominarlo ni crear dependencia.

Inputs

• AI leverage ratio: output útil por unidad de tiempo vs baseline humano
• Human gatekeeping: % de decisiones críticas tomadas por humano con justificación
• Traceability: % de outputs con prompts/logs guardados
• Error capture: tasa de detección humana de alucinaciones/errores de IA

Score$$H = 100 \cdot \sigma\Big(\alpha \cdot Leverage + \beta \cdot Gatekeeping + \gamma \cdot Trace – \delta \cdot AIErrorSlip\Big)$$H=100⋅σ(α⋅Leverage+β⋅Gatekeeping+γ⋅Trace−δ⋅AIErrorSlip)

---

5) Normalización (para que sea justo)

Se recomienda doble normalización:

1. Within-person baseline (cada investigador contra su propia media móvil 30 días)
2. Within-role banding (comparación entre roles similares: modeladores, clínicos, etc.)

Esto evita:

• penalizar perfiles distintos,
• confundir talento con fatiga momentánea.

---

6) CPI-Risk Flags (no es puntaje, es “semáforo”)

Se agregan banderas para evitar que “CPI alto” oculte riesgo:

• R1: Overcoherence risk (si EEG/indicadores sugieren sincronía excesiva)
• R2: Burnout risk (HRV baja persistente + lapses suben)
• R3: Dissociation risk (si escalas clínicas o reportes de desrealización aumentan)
• R4: Overfitting risk (accuracy sube pero complejidad/overfit explota)

Regla de gobernanza:

Si hay bandera roja, el CPI no habilita escalamiento de carga ni decisiones críticas.

---

7) Protocolo de benchmarking (operativo)

Frecuencia

• Micro-CPI por sesión (10–15 min testing)
• CPI semanal (agregado)
• CPI mensual (tendencia + ajustes)

Estructura

1. Pre-session: 3–5 min (A/E rápido)
2. During: logging automático (S/H/I)
3. Post-session: 2–3 min (B + checklist)
4. Weekly review: tendencias, fatiga, correcciones de protocolo

---

8) KPI dashboard interno (lo mínimo)

Mostrar solo 8 paneles:

1. CPI total (trend)
2. A y E (fatiga/estabilidad)
3. I (calidad inferencial)
4. B (sesgos)
5. S (eficiencia)
6. H (sinergia IA)
7. Red flags (R1–R4)
8. Intervenciones aplicadas vs resultado

---

9) Interpretación práctica del CPI

• 80–100: rendimiento óptimo estable (apto para decisiones críticas)
• 60–79: rendimiento operativo normal (requiere higiene cognitiva)
• 40–59: degradación moderada (reducir carga, reset, revisar sesgos)
• <40: riesgo de error alto (no tomar decisiones estratégicas)

---

10) Implementación mínima (sin biomarcadores)

Si no se quiere EEG/HRV al principio, igual sirve con:

• A/E: tareas cognitivas breves
• I/B/S/H: logs del workflow + rúbricas por pares

Esto ya permite benchmarking serio.